論文の概要: State-of-the-art Techniques in Deep Edge Intelligence

• arxiv url: http://arxiv.org/abs/2008.00824v3
• Date: Thu, 24 Dec 2020 07:42:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 06:05:56.111699
• Title: State-of-the-art Techniques in Deep Edge Intelligence
• Title（参考訳）: ディープエッジインテリジェンスにおける最先端技術
• Authors: Ahnaf Hannan Lodhi, Bar{\i}\c{s} Akg\"un, \"Oznur \"Ozkasap
• Abstract要約: エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 本稿では,DeIの運用における主な制約について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The potential held by the gargantuan volumes of data being generated across networks worldwide has been truly unlocked by machine learning techniques and more recently Deep Learning. The advantages offered by the latter have seen it rapidly becoming a framework of choice for various applications. However, the centralization of computational resources and the need for data aggregation have long been limiting factors in the democratization of Deep Learning applications. Edge Computing is an emerging paradigm that aims to utilize the hitherto untapped processing resources available at the network periphery. Edge Intelligence (EI) has quickly emerged as a powerful alternative to enable learning using the concepts of Edge Computing. Deep Learning-based Edge Intelligence or Deep Edge Intelligence (DEI) lies in this rapidly evolving domain. In this article, we provide an overview of the major constraints in operationalizing DEI. The major research avenues in DEI have been consolidated under Federated Learning, Distributed Computation, Compression Schemes and Conditional Computation. We also present some of the prevalent challenges and highlight prospective research avenues.
• Abstract（参考訳）: 世界中のネットワークで生成される膨大な量のデータが、機械学習技術や最近ではDeep Learningによって完全にアンロックされている。 後者が提供するアドバンテージは、さまざまなアプリケーションで急速に選択のフレームワークになりつつある。 しかし、計算資源の集中化とデータ集約の必要性は、ディープラーニングアプリケーションの民主化の要因を長い間制限してきた。 エッジコンピューティングは、ネットワーク周辺で利用可能なhiherto untapped処理リソースを活用することを目的とした、新興のパラダイムである。 エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 ディープラーニングベースのエッジインテリジェンス(dei)はこの急速に進化する領域にある。 本稿では,deiの運用における主な制約について概説する。 deiの主要な研究分野は、連合学習、分散計算、圧縮スキーム、条件計算によって統合されている。 また,一般的な課題をいくつか提示し,今後の研究動向を強調する。

関連論文リスト

• Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
  エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。 この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。 本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
  論文  参考訳（メタデータ） (2024-03-14T07:40:32Z)
• Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement Learning Approach [58.911515417156174]
  我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。 本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。 また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
  論文  参考訳（メタデータ） (2023-12-01T01:30:49Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Bringing AI To Edge: From Deep Learning's Perspective [7.308396023489246]
  エッジコンピューティングと人工知能(AI)は、エッジインテリジェンスと呼ばれる新しいシステムを構築するために徐々に交差している。 これらの課題の1つは、計算集約的なディープラーニングアルゴリズムと、計算能力の低いエッジシステムの間のテキスト計算のギャップである。 本稿では,エッジインテリジェンスシステムに有用な代表的かつ最新のディープラーニング技術について調査する。
  論文  参考訳（メタデータ） (2020-11-25T12:07:21Z)
• A Survey of Deep Meta-Learning [1.2891210250935143]
  ディープニューラルネットワークは、巨大なデータセットと十分な計算リソースを提示することで、大きな成功を収めることができる。 しかし、新しい概念を素早く習得する能力は限られている。 ディープメタラーニング(Deep Meta-Learning)は、ネットワークが学習方法を学ぶことを可能にすることでこの問題に対処するアプローチのひとつだ。
  論文  参考訳（メタデータ） (2020-10-07T17:09:02Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。